Le nouveau rideau de fer

Un exemple de carte en 2.5D

Nicolas Lambert (RIATE, CNRS)

featured

Introduction

Ce document montre comment réaliser cette carte de discontuités en 2,5D (fausse 3D) joliement mise en page entrièrement dans le langage R. Des versions antérieures de cette carte ont déjà été publiées par le passé, dans le manuel de cartographie (Lambert, Zanin 2016), ou dans Mad Maps (Lambert, Zanin 2019) et ont fait l’objet de billets de blog (Lambert 2017). Ici, nous entendons prouver qu’il est possible de réaliser ce type de carte sans passer par un logiciel DAO (Lambert 2019). Les sources et les références sont précisées à la fin du document.

1 Packages

Pour réaliser cette carte, nous utilisons pour cela les packages eurostat (Lahti et al. 2017), RnaturalEarth (South 2017), sf (Pebesma 2018) et mapsf (mapsf?).

library("sf")
library("mapsf")
library("eurostat")
library("rnaturalearth")

2 Données

L’import des données et du fond de carte s’effectue directement avec le package Eurostat. L’import des géométries s’effectue de la façon suivante. Nous utilisons le maillage NUTS version 2016.

nuts2016 <- get_eurostat_geospatial(
  output_class = "sf",
  resolution = "20",
  nuts_level = "all",
  year = "2016"
)

Import des données statistiques (PIB par habitant en euros) pour les années récentes (de 2014 à 2017).

var <- "nama_10r_3gdp"
gdpinh <- get_eurostat(var, time_format = "num")
gdpinh <- subset(gdpinh, gdpinh$unit == "EUR_HAB")
gdpinh <- reshape2::dcast(gdpinh, geo ~ time, value.var = "values")
fields <- c("geo", "2014", "2015", "2016", "2017")
gdpinh <- gdpinh[, fields]
colnames(gdpinh) <-
  c("id",
    "GDPINH_2014",
    "GDPINH_2015",
    "GDPINH_2016",
    "GDPINH_2017")

Jointure des données et du fond de carte pour les niveaux NUTS 2 et NUTS 3

nuts2016 <- merge(
  x = nuts2016,
  y = gdpinh,
  by.x = "NUTS_ID",
  by.y = "id",
  all.x = TRUE
)
nuts2016_3 <- nuts2016[nuts2016$LEVL_CODE == 3, ]
nuts2016_2 <- nuts2016[nuts2016$LEVL_CODE == 2, ]

Création d’un fond de carte combinant les NUTS 2 et le NUTS 3 dans le but d’avoir un maillage homogène avec le moins possible de données manquantes.

N2 <-
  c("AT", "BE", "CH", "DE", "EL", "NL", "UK", "TR", "IE", "IS", "NO")
nuts <- rbind(nuts2016_2[nuts2016_2$CNTR_CODE %in% N2, ],
              nuts2016_3[!nuts2016_3$CNTR_CODE %in% N2, ])
nuts$id <- nuts$NUTS_ID

Elimination des territoires hors de l’espace d’étude (e.g. remote territories)

nuts <-
  nuts[!nuts$id %in% c("FRY10", "FRY20", "FRY30", "FRY40", "FRY50"), ]
nuts <- nuts[nuts$CNTR_CODE != "RS", ]
mf_map(
  x = nuts,
  type = "typo",
  var = "LEVL_CODE",
  pal = c("#cc5e4e", "#76c24f"),
  val_order = c("2", "3"),
  border = "#e8e8e8",
  lwd = 0.2,
  leg_pos = "left",
  leg_title = "Nuts level (version 2016)"
)

Détermination de l’année cible

sapply(nuts[, c("GDPINH_2014", "GDPINH_2015", "GDPINH_2016", "GDPINH_2017")],
       function(x)
         sum(is.na(x)))

On cible l’année 2016 qui est la plus récente et qui a le moins de données manquantes

nuts <- nuts[, c("id", "NUTS_NAME", "GDPINH_2016", "geometry")]
colnames(nuts) <- c("id", "name", "GDPINH_2016", "geometry")

On complète les données manquantes par de données estimées en externe.

nuts[nuts$id == "CH01","GDPINH_2016"] <- 44418.07
nuts[nuts$id == "CH02","GDPINH_2016"] <- 38721.88
nuts[nuts$id == "CH03","GDPINH_2016"] <- 51173.14
nuts[nuts$id == "CH04","GDPINH_2016"] <- 56462.12
nuts[nuts$id == "CH05","GDPINH_2016"] <- 40871.44
nuts[nuts$id == "CH06","GDPINH_2016"] <- 43665
nuts[nuts$id == "CH07","GDPINH_2016"] <- 35029.52
nuts[nuts$id == "LI000","GDPINH_2016"] <- 160000
nuts[nuts$id == "IS00","GDPINH_2016"] <- 55900

Import des couches d’habillage avec le package RnaturalEarth

land <- ne_download(
  scale = 110,
  type = "land",
  category = "physical",
  returnclass = "sf"
)
mf_map(land, border = NA, col = "#6eb1db")

ocean <- ne_download(
  scale = 110,
  type = "ocean",
  category = "physical",
  returnclass = "sf"
)
mf_map(ocean, border = NA, col = "#6eb1db")

Graticule avec sf

graticule = st_graticule(
  crs = st_crs(4326),
  ndiscr = 100,
  lon = seq(-180, 180, by = 2),
  lat = seq(-90, 90, by = 1),
  margin = 0.01
)
mf_map(graticule, col = "#6eb1db")

Mise en forme des couches

2.1 Template cartographique

Pour donner un effet de rotondité et permettre une représentation en 2.5D, on opte pour une projection orthographique centré sur l’Afrique. Pour éviter tout problème dans l’opération de projection (bug, artefacts, etc.), nous definissons au préalable un rectangle nous servant à découper les différentes couches.

NB : passer sf_use_s2 à FALSE permet de faire comme si il ne s’agissait pas de coordonnées sur le globe.

bb <-
  st_as_sfc(st_bbox(c(
    xmin = -50 ,
    xmax = 70,
    ymin = 20,
    ymax = 80
  ),
  crs = st_crs(4326)))

sf::sf_use_s2(FALSE)
ocean <- st_intersection(ocean, bb)
ocean <-  st_segmentize(ocean, 100)
land <- st_intersection(land, bb)
land <-  st_segmentize(land, 100)
graticule <- st_intersection(graticule, bb)
sf::sf_use_s2(TRUE)

Projection

ortho <- "+proj=ortho +lat_0=-10 +lon_0=15 +x_0=0 +y_0=0
          +ellps=WGS84 +units=m +no_defs"

ocean <- st_transform(ocean, ortho)
land <- st_transform(land, ortho)
graticule =  st_transform(graticule, ortho)
nuts <- st_transform(nuts, ortho)

Affichages des couches recadrées et projetées

par(mar = c(0, 0, 0, 0), mfrow = c(2, 2))
mf_map(land, col = "#6eb1db", border = NA)
mf_map(ocean, col = "#6eb1db", border = NA)
mf_map(graticule, col = "#6eb1db", lwd = 1)
mf_map(nuts,
       col = "#6eb1db",
       border = "white",
       lwd = 0.2)

dev.off()
null device 
          1

On peut générer un effet d’ombrage en unissant les régions nuts et en effectuant des déplacements successifs avec de la transparence. Voir l’exemple ci-dessous sur la France.

fr <- st_union(nuts[substr(nuts$id, 1, 2) == "FR", ])
par(mar = c(0, 0, 0, 0))
mf_map(fr + c(5000,-5000), col = "#827e6c40", border = NA)
mf_map(fr + c(10000,-10000),
       col = "#827e6c40",
       border = NA,
       add = TRUE)
mf_map(fr + c(15000,-15000),
       col = "#827e6c40",
       border = NA,
       add = TRUE)
mf_map(fr + c(20000,-20000),
       col = "#827e6c40",
       border = NA,
       add = TRUE)
mf_map(fr + c(25000,-25000),
       col = "#827e6c40",
       border = NA,
       add = TRUE)
mf_map(
  fr,
  col = "#6eb1db",
  border = "white",
  lwd = 0.1,
  add = TRUE
)

3 Template

Réalisation du template cartographique. Pour bien maîtriser le format de l’image, nous utilisons la fonction getFigDim et nous générons la carte au format png en définissant précisément l’emprise de la carte. Ici, les cartes sont crées au format png et enregistrées dans le répertoire figures/.

k <- 100000
extent <- c(-20, 42, 24.5, 63) * k
bb <- st_as_sfc(st_bbox(
  c(
    xmin = extent[1],
    xmax = extent[3],
    ymin = extent[2],
    ymax = extent[4]
  ),
  crs = st_crs(nuts)
))

On crée une fonction template()

template = function(file){

theme <- mf_theme(
  x = "default",
  bg = "#f2efe6",
  fg = "#f2efe6",
  mar = c(0, 0, 0, 0),
  tab = TRUE,
  pos = "left",
  inner = FALSE,
  line = 2,
  cex = 1.9,
  font = 3
)

mf_export(
  bb,
  export = "png",
  width = 2000,
  filename = file,
  res = 150,
  theme = theme,
  expandBB = c(-.02, 0, 0.05, 0)
)

mf_map(ocean,
       col = "#9acbe3",
       border = "#9acbe3",
       lwd = 7,
       add = TRUE)

mf_map(
  graticule,
  col = "#FFFFFF80",
  lwd = 2,
  lty = 3,
  add = TRUE
)


ue <- st_union(nuts)

mf_map(ue + c(5000,-5000),
       col = "#827e6c40",
       border = NA,
       add = TRUE)
mf_map(ue + c(10000,-10000),
       col = "#827e6c40",
       border = NA,
       add = TRUE)
mf_map(ue + c(15000,-15000),
       col = "#827e6c40",
       border = NA,
       add = TRUE)
mf_map(ue + c(20000,-20000),
       col = "#827e6c40",
       border = NA,
       add = TRUE)
mf_map(ue + c(25000,-25000),
       col = "#827e6c40",
       border = NA,
       add = TRUE)

mf_map(
  nuts,
  col = "#f0aa0c",
  border = "white",
  lwd = 0.3,
  add = TRUE
)
}

Et voilà le résultat :-)

template("figures/fig1.png")
dev.off()
png 
  2

4 Carte choroplèthe

Classes et couleurs

# Discrétisation
bks <-
  mf_get_breaks(x = nuts$GDPINH_2016,
                nbreaks = 6,
                breaks = "quantile")
# Couleurs
cols <-
  c("#50b160",
    "#98c17e",
    "#cce3c4",
    "#fbf5bd",
    "#fcc34f",
    "#e97d40")

Carte

template("figures/fig1.png")

mf_map(
  x = nuts,
  var = "GDPINH_2016",
  type = "choro",
  breaks = bks,
  pal = cols,
  lwd = 0.2,
  leg_pos = "n",
  add = TRUE
)

text(
  10.5 * k,
  y = 59.1 * k,
  "Gross Domestic Product",
  cex = 0.6,
  pos = 4,
  font = 2,
  col = "#404040"
)
text(
  10.5 * k,
  y = 58.7 * k,
  "(in € per inh. in 2016)",
  cex = 0.4,
  pos = 4,
  font = 1,
  col = "#404040"
)
dev.off()
png 
  2

todo…

5 Discontinuités

todo…

6 Extrusion

todo…

7 Résultat

todo…

Bibliographie

GIRAUD, Timothée et LAMBERT, Nicolas, 2016. cartography: Create and Integrate Maps in your R Workflow. In : JOSS [en ligne]. août 2016. Vol. 1, n° 4. DOI 10.21105/joss.00054. Disponible à l'adresse : http://dx.doi.org/10.21105/joss.00054.
GIRAUD, Timothée et LAMBERT, Nicolas, 2017. Reproducible Cartography. In : PETERSON, Michael (éd.), Advances in Cartography and GIScience. ICACI 2017. Lecture Notes in Geoinformation and Cartography. Cham, Switzerland : Springer. 2017. pp. 173‑183.
LAHTI, Leo, HUOVARI, Janne, KAINU, Markus et BIECEK, Przemyslaw, 2017. eurostat R package [en ligne]. 2017. S.l. : s.n. Disponible à l'adresse : https://journal.r-project.org/archive/2017/RJ-2017-019/index.html.
LAMBERT, Nicolas, 2017. La mise en scène cartographique. In : [en ligne]. 2017. [Consulté le 3 novembre 2017]. Disponible à l'adresse : https://neocarto.hypotheses.org/3239.
LAMBERT, Nicolas, 2019. Dessiner c’est coder ! In : [en ligne]. 2019. [Consulté le 8 novembre 2019]. Disponible à l'adresse : https://neocarto.hypotheses.org/6830.
LAMBERT, Nicolas et ZANIN, Christine, 2016. Manuel de cartographie: principes, méthodes, applications [en ligne]. S.l. : Armand Colin. Disponible à l'adresse : https://www.armand-colin.com/manuel-de-cartographie-principes-methodes-applications-9782200612856.
LAMBERT, Nicolas et ZANIN, Christine, 2019. Mad Maps. L’atlas qui va changer votre vision du Monde [en ligne]. S.l. : Armand Colin. Disponible à l'adresse : https://www.armand-colin.com/mad-maps-latlas-qui-va-changer-votre-vision-du-monde-9782200625825.
PEBESMA, Edzer, 2018. Simple Features for R: Standardized Support for Spatial Vector Data. In : The R Journal [en ligne]. 2018. Vol. 10, n° 1, pp. 439‑446. DOI 10.32614/RJ-2018-009. Disponible à l'adresse : https://doi.org/10.32614/RJ-2018-009.
SOUTH, Andy, 2017. rnaturalearth: World Map Data from Natural Earth [en ligne]. S.l. : s.n. Disponible à l'adresse : https://CRAN.R-project.org/package=rnaturalearth.

Annexes

Info session

setting value
version R version 4.0.3 (2020-10-10)
os Ubuntu 20.04.3 LTS
system x86_64, linux-gnu
ui X11
language (EN)
collate en_US.UTF-8
ctype en_US.UTF-8
tz Europe/Paris
date 2021-10-14
package ondiskversion source
eurostat 3.7.5 CRAN (R 4.0.3)
mapsf 0.3.0 CRAN (R 4.0.3)
rnaturalearth 0.1.0 CRAN (R 4.0.3)
sf 1.0.3 CRAN (R 4.0.3)

Citation

Auteur.e.s (202x). “Titre de la fiche.” <URL: https://…>.

Format BibTex :

@misc{, 
      title={Titre de la fiche}, 
      url={https://...}, 
      journal={Rzine.fr}, 
      publisher={FR CIST}, 
      author={{Auteur.e.s}}, 
      year={202x}, 
      month={Xxx}
}


Glossaire



licensebuttons cc